Biochimie et chimie biomédicale
Prédiction de structure par IA (AlphaFold)
Les systèmes d’IA infèrent des structures à partir des motifs de séquence, homologues et régularités physiques apprises.
IntuitionIntuition : idée centrale
Les systèmes d’IA infèrent des structures à partir des motifs de séquence, homologues et régularités physiques apprises.
ScolaireNiveau scolaire : notions clés et première application
Définition: Concept clé
AlphaFold2 combine information évolutive et représentations neuronales pour raffiner la structure. pLDDT mesure la confiance du modèle, non une certitude expérimentale.
Les modèles combinent alignements multiples, signaux de coévolution et a priori géométriques. Les systèmes type AlphaFold prédisent des structures et s’étendent aux complexes et ligands.
| Terme | Interprétation |
|---|---|
| MSA | Alignement multiple révélant les résidus corrélés. |
| pLDDT | Score de confiance basé sur la différence de distance locale prédite. |
| Evoformer | Module AlphaFold2 raffinant les représentations de paires et de séquences. |
Exemple: Application
Un segment prédit a un pLDDT de 92 et une boucle flexible de 48. Quelle région est modélisée avec plus de confiance locale ?
Solution
Selon le pLDDT, le premier segment est plus fiable localement. Cela ne valide pas l’état biologique, le ligand, l’oligomère ou la conformation.
UniversitaireNiveau universitaire : description quantitative
La qualité varie selon le résidu, le désordre, l’état du ligand et le contexte oligomérique. Comparer prédiction et expérience exige alignement et lecture de l’incertitude.
AvancéApprofondissement : hypothèses et mécanismes
Les systèmes actuels couvrent complexes, ligands et acides nucléiques, mais la confiance n’est pas uniforme et la validation physique reste essentielle.
RechercheFrontière de recherche : questions ouvertes et pratiques actuelles
Références
- Highly accurate protein structure prediction with AlphaFold · John Jumper; Richard Evans; Alexander Pritzel; Tim Green; Michael Figurnov; Olaf Ronneberger; Kathryn Tunyasuvunakool; Russ Bates; Augustin Žídek; Alex Bridgland; et al., 2021
- Accurate prediction of protein structures and interactions using a three-track neural network · Minkyung Baek; Frank DiMaio; Ivan Anishchenko; John Dauparas; Samir Ovchinnikov; Gyu Rie Lee; Jue Wang; Qian Cong; Lisa N. Kinch; R. Dustin Schaeffer; et al., 2021